XGBoost Ενισχυμένη Ανθεκτικότητα
Το Robust XGBoost συνδυάζει το επεκτάσιμο πλαίσιο ενίσχυσης κλίσης (gradient boosting) του XGBoost με ανθεκτικές συναρτήσεις απώλειας — κυρίως την απώλεια Huber ή παραλλαγές της — για να παράγει ένα σύνολο δέντρων ενίσχυσης κλίσης που αντιστέκεται στην παραμορφωτική επίδραση των ακραίων τιμών. Αντικαθιστώντας τον στόχο του τετραγώνου του σφάλματος με μια απώλεια που μειώνει την επίδραση μεγάλων καταλοίπων, το μοντέλο παρέχει αξιόπιστες προβλέψεις σε συνεχή στόχους ακόμη και όταν τα δεδομένα εκπαίδευσης περιέχουν ακραίες τιμές ή θόρυβο στην ετικέτα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. DOI: 10.1145/2939672.2939785 ↗
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Robust XGBoost (Extreme Gradient Boosting with Robust Loss Functions). ScholarGate. https://scholargate.app/el/machine-learning/robust-xgboost
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Ενισχυμένη Ενίσχυση Κλίσης (Robust Gradient Boosting)Μηχανική Μάθηση↔ compare
- Robust LightGBMΜηχανική Μάθηση↔ compare
- Εισαγωγή στην Ανθεκτική Γραμμική ΠαλινδρόμησηΜηχανική Μάθηση↔ compare
- Robust Random ForestΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →